UNIVERSITÉ DE MONTRÉAL DÉTERMINATION D UNE MÉTRIQUE POUR LE PROBLÈME DE LOCALISATION ET CARTOGRAPHIE SIMULTANÉES

Dimension: px
Commencer à balayer dès la page:

Download "UNIVERSITÉ DE MONTRÉAL DÉTERMINATION D UNE MÉTRIQUE POUR LE PROBLÈME DE LOCALISATION ET CARTOGRAPHIE SIMULTANÉES"

Transcription

1 UNIVERSITÉ DE MONTRÉAL DÉTERMINATION D UNE MÉTRIQUE POUR LE PROBLÈME DE LOCALISATION ET CARTOGRAPHIE SIMULTANÉES ALEXANDRE AUBERT DÉPARTEMENT DE GÉNIE ÉLECTRIQUE ÉCOLE POLYTECHNIQUE DE MONTRÉAL MÉMOIRE PRÉSENTÉ EN VUE DE L OBTENTION DU DIPLÔME DE MAÎTRISE ÈS SCIENCES APPLIQUÉES (GÉNIE ÉLECTRIQUE) AOÛT 2013 c Alexandre Aubert, 2013.

2 UNIVERSITÉ DE MONTRÉAL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Ce mémoire intitulé : DÉTERMINATION D UNE MÉTRIQUE POUR LE PROBLÈME DE LOCALISATION ET CARTOGRAPHIE SIMULTANÉES présenté par : AUBERT Alexandre en vue de l obtention du diplôme de : Maîtrise ès Sciences Appliquées a été dûment accepté par le jury d examen constitué de : M. SAUSSIÉ David, Ph.D., président M. GOURDEAU Richard, Ph.D., membre et directeur de recherche M. GEMME Sébastien, M.Sc.A., membre

3 iii REMERCIEMENTS Je tiens à remercier l Agence Spatiale Canadienne qui m a permis d utiliser leurs installations ainsi que leur base de données au cours de ce projet. Un merci spécial à Monsieur Sébastien Gemme qui a su me procurer des conseils importants pour mes travaux. Je suis aussi très reconnaissant envers le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) qui m a octroyé une bourse d étude me permettant de me concentrer sur ce projet. Mes remerciements s adressent aussi à Monsieur Richard Gourdeau, mon directeur de recherche, qui m a guidé et soutenu tout au long de ma maîtrise. De plus, il m a offert plusieurs opportunités pour m impliquer dans des charges de laboratoires à l École Polytechnique de Montréal. J ai donc eu la chance d acquérir un peu d expérience en enseignement, un domaine qui va de pair avec la recherche.

4 iv RÉSUMÉ Les robots mobiles ont une autonomie limitée lorsqu ils se retrouvent en environnement inconnu. Ils doivent alors construire une carte de leur environnement tout en s y situant en même temps. Cette carte servira par la suite à la planification de trajectoire pour que le robot puisse effectuer sa tâche. Cette carte globale se doit donc d être la plus précise possible, sinon le robot pourrait rencontrer des obstacles nuisibles et ne jamais atteindre la destination désirée. Le processus pour obtenir cette carte est composé d une première phase d acquisition où le robot utilise un LIDAR lui permettant de modéliser son environnement immédiat par un nuage de points. Ensuite, il faut relier les acquisitions entre elles le plus fidèlement possible pour obtenir un nuage de points couvrant une plus grande partie de l environnement. Les balayages sont d abord regroupés deux par deux par un algorithme de recalage appelé ICP. Cette technique est très efficace lorsque l estimé initial de la position est près du résultat recherché. Par contre, lorsque ces conditions initiales sont plus erronées, il est fortement possible de converger vers un minimum local. Cette erreur de recalage se propage ensuite lorsque le robot continue sa trajectoire. Il est donc important de trouver une technique permettant de qualifier le résultat d un recalage et ainsi de rejeter les mauvaises informations. La métrique proposée dans ce travail est un algorithme de discrimination où plusieurs paramètres sont comparés entre eux. Une base de données composée de plusieurs bons et mauvais résultats séparés en deux groupes respectifs a été créée. Elle permet ensuite de comparer un nouveau recalage par rapport à ces deux groupes et d attribuer une probabilité d appartenance à chacun des groupes. Ces valeurs donnent alors une indication de la fiabilité du recalage. Les résultats obtenus donnent un taux d erreur de classification de 2.12%. Cette métrique est par la suite utilisée pour corriger l accumulation d erreurs au cours d une longue trajectoire. En effet, lorsque le robot revisite un endroit déjà modélisé, il obtient de nouvelles informations permettant d effectuer une correction sur sa position estimée et ainsi de réduire l erreur accumulée. Ceci est fait à l aide d un algorithme de distribution d erreur où le lien entre chaque paire de balayages est modélisé par des ressorts. L ensemble des ressorts et des balayages constitue alors un système dynamique qui aura tendance à converger vers une position stable qui correspond au minimum d énergie. Les positions estimées des balayages seront alors modifiées et l erreur accumulée sera corrigée pour obtenir une carte globale de l environnement qui est plus uniforme. La métrique de recalage permet de déterminer les constantes de raideurs des ressorts. Ainsi, les recalages moins fiables seront représentés par des ressorts plus flexibles qui pourront s étirer pour mieux respecter les contraintes des ressorts plus rigides correspondant aux bons recalages.

5 v ABSTRACT Mobile robots have a limited autonomy when they are placed in an unknown environment. They must simultaneously create a map and position themself on that map. Then the robot will be able to plan his trajectory to avoid obstacles and accomplish its task. The global map must be precise, otherwise the robot could hit an obstacle or get lost and not reach his destination. The first step to obtain this global map is to use a LIDAR to scan the immediate environment and modelize it by a scatter plot. Then, scans are registered together to create a bigger scatter plot and so on. The scans are first registered two by two with a registration algorithm called ICP. This algorithm leads to a very good estimate of the position if the initial conditions are good enough. Otherwise, it may converge towards a local minima and introduce an error in the global map. This error is then propagated along the robot path. Thus, it is very important to qualify the registration result to be able to reject false informations. This work introduces a discrimination algorithm which compares specific parameters to obtain a registration metric. A database composed of multiple registration results has been created. It is composed of two distinct groups which are the good and the bad results. Then, a new registration result can be compared against these groups to see which ones it relates the most to. The probability of appartenance of this new data to each group gives the probability that the registration converged toward the solution. The parameters used in the discrimination algorithm give an apparent error rate of 2.12%. This metric is then used to minimize the error accumulation during long trajectories. When the robot reaches a previously visited location, it can acquire new data and this new information can be used to correct its estimated position and reduce the errors accumulated during its journey. An error distribution error is used to make this correction. Virtual springs are connected between each pair of scans. Then, the springs and scans constitute a dynamic system which naturally tends towards a stable position consisting of an energy minimum. The new scans position consist of a more consistent map where the error is equally distributed. The registration metric can be used to assign the stiffness of the springs. A less reliable registration result leads to a less stiff spring which can stretch to meet the constraints of the other springs representing better registration results.

6 vi TABLE DES MATIÈRES REMERCIEMENTS RÉSUMÉ iii iv ABSTRACT v TABLE DES MATIÈRES vi LISTE DES TABLEAUX viii LISTE DES FIGURES ix LISTE DES SIGLES ET ABRÉVIATIONS xi CHAPITRE 1 INTRODUCTION Éléments de la problématique Objectifs de recherche Plan du mémoire CHAPITRE 2 REVUE DE LITTÉRATURE Algorithme ICP et variantes Recalage de plusieurs surfaces Applications spécifiques en robotique mobile CHAPITRE 3 ALGORITHME DE BOUCLE FERMÉE Nombre et emplacement des ressorts Algorithme de répartition de l erreur Force des ressorts CHAPITRE 4 DÉTERMINATION D UNE MÉTRIQUE Création de la base de données Algorithme de discrimination Variables Pourcentage de superposition Nombre d itérations Relief des balayages

7 vii CHAPITRE Distance de Hausdorff «Spin image» Image de distances («Range image») Distance de chaque point avec son plus proche voisin DONNÉES EXPÉRIMENTALES Terrain d émulation de Mars «Saddle Mountain» Plaque de dalles Alpha Données de «Mobile Robotics Test-Bed» CHAPITRE 6 RÉSULTATS Métrique d erreur Étude du temps de calcul Simulation de l algorithme de boucle fermée CHAPITRE 7 CONCLUSION Synthèse des travaux Limitations de la solution proposée et améliorations futures RÉFÉRENCES ANNEXES

8 viii LISTE DES TABLEAUX Tableau 6.1 Liste des variables utilisées dans l algorithme de discrimination Tableau 6.2 Temps de calcul moyen pour chaque variable

9 ix LISTE DES FIGURES Figure 1.1 Distance parcourue sur la Lune et sur Mars (NASA (2013)) Figure 1.2 Exemple de recalage Figure 1.3 Étapes principales de l algorithme ICP Figure 1.4 Exemple illustrant le problème de minimum local Figure 3.1 Accumulation d erreur de positionnement Figure 3.2 Trajectoire fermée avant et après correction Figure 3.3 Exemple de recalage - Conditions initiales Figure 3.4 Exemple de recalage - Résultats intermédiaires Figure 3.5 Exemple de recalage - Résultat final et positions réelles Figure 4.1 Représentation de la base de données selon deux variables Figure 4.2 Distribution de la distance entre chaque point et son plus proche voisin 21 Figure 4.3 Valeur de la fonction 4.2 en fonction du pourcentage de superposition. 22 Figure 4.4 Deux balayages ayant peu de relief (aucune erreur) Figure 4.5 Deux balayages ayant peu de relief (translation de 3 mètres) Figure 4.6 Exemple de balayage dans une région avec du relief Figure 4.7 Exemple de balayage dans une région plane Figure 4.8 Histogramme représentant la composante Z des normales Figure 4.9 Représentation de la distance d Hausdorff (Rocchini, 2007) Figure 4.10 Transformation utilisée pour la technique «spin image» (Johnson, 1997) 27 Figure 4.11 Étapes de la génération de «spin image» à partir d un nuage de points (Johnson, 1997) Figure 4.12 Exemple de points utilisés pour comparer les images Figure 4.13 Images produites et diagramme de dispersion pour une bonne correspondance Figure 4.14 Images produites et diagramme de dispersion pour une mauvaise correspondance Figure 4.15 Balayage utilisé pour l exemple d image de distance Figure 4.16 Exemple d image de distance Figure 4.17 Bon recalage, pourcentage de points ayant un PPV à moins de 0.4m : 94.9% Figure 4.18 Mauvais recalage, pourcentage de points ayant un PPV à moins de 0.4m : 86.9% Figure 5.1 Terrain d émulation de Mars (CSA, 2011)

10 x Figure 5.2 «Saddle Mountain» (CSA, 2011) Figure 5.3 Exemple de balayage près de «Saddle Mountain» (CSA, 2011) Figure 5.4 Exemple de deux balayages près de la plaque de dalles Alpha (CSA, 2011) Figure 5.5 Montage expérimental du «Mobile Robotics Test-Bed» (CSA, 2011). 36 Figure 6.1 APER des meilleures combinaisons de paramètres Figure 6.2 Pourcentage d utilisation de chaque variable dans les meilleures combinaisons Figure 6.3 Exemple de recalage Figure A.1 Erreurs de translation en fonction de l erreur de rotation Figure A.2 Région de superposition calculée par l algorithme ICP Figure A.3 Région de superposition calculée par l algorithme ICP Figure A.4 Région de superposition calculée selon la méthode de Chetverikov et al. (2005) Figure A.5 Nombre d itérations Figure A.6 Distance d Hausdorff Figure A.7 Normale des points de tout le balayage source - méthode Figure A.8 Normale des points de tout le balayage cible - méthode Figure A.9 Normale des points de la région de superposition du balayage source - méthode Figure A.10 Normale des points de la région de superposition du balayage cible - méthode Figure A.11 Normale des points de tout le balayage source - méthode Figure A.12 Normale des points de tout le balayage cible - méthode Figure A.13 Normale des points de la région de superposition du balayage source - méthode Figure A.14 Normale des points de la région de superposition du balayage cible - méthode Figure A.15 Coefficient de corrélation des «spin images» Figure A.16 Coefficient de confiance des «spin images» Figure A.17 Pourcentage de points finis des images de distance Figure A.18 Erreur quadratique moyenne des images de distance Figure A.19 MSSIM des images de distance Figure A.20 Pourcentage du nombre de plus proches voisins du balayage source.. 66 Figure A.21 Pourcentage du nombre de plus proches voisins du balayage cible... 67

11 xi LISTE DES SIGLES ET ABRÉVIATIONS APER CRSNG CSA DGPS EMICP GPS ICP IMU LIDAR MET MRT NASA PERLDB PPV RADAR RTK SVD Apparent Error Rate Conseil de Recherches en Sciences Naturelles et Génie Canadian Space Agency Differential Global Positioning System Expectation Minimization Iterative Closest Point Global Positioning System Iterative Closest Point Inertial Measurement Unit Light Detection And Ranging Mars Emulation Terrain Mobile Robotics Test-bed National Aeronautics and Space Administration Planetary Exploration Rover LIDAR Database Plus Proche Voisin Radio Detection And Ranging Real Time Kinematic Singular Value Decomposition

12 1 CHAPITRE 1 INTRODUCTION L exploration extra-terrestrielle est très importante pour plusieurs domaines scientifiques. En effet, en étudiant les astres composant notre univers, en particulier ceux de notre système solaire, il est possible d en apprendre plus sur la Terre et même sur l origine de la vie. Par contre, cette exploration est évidemment très complexe et repousse les limites de nos technologies, notamment dans le domaine de la robotique. Depuis les années 70, plusieurs robots mobiles ont été envoyés vers la Lune et Mars. La figure 1.1 tirée du site de la NASA (NASA, 2013) représente les distances parcourues par les robots ayant atterri avec succès sur la Lune ou sur Mars. Sur la lune, l autonomie est moins importante puisque le délai de communication avec la Terre est de seulement quelques secondes. Par contre, puisque Mars est beaucoup plus loin que la lune, le délai de communication devient de l ordre de quelques dizaines de minutes et limite de beaucoup la téléopération des robots. Ils doivent donc avoir un degré d autonomie plus important et ceci explique les plus courtes distances parcourues sur Mars. Un obstacle majeur pour l autonomie de ces robots est le fait qu ils évoluent dans un environnement pour lequel nous n avons que très peu de connaissance. Les cartographies de la Lune et de Mars n ont pas une assez bonne résolution pour représenter tous les obstacles nuisibles aux robots. Le problème de localisation et cartographie simultanées se pose alors. Il s agit de pouvoir créer une carte de son environnement tout en pouvant s y situer. 1.1 Éléments de la problématique Une technologie permettant aux robots d étudier et de modéliser leur environnement est le LIDAR («LIght Detection And Ranging»). Ceci consiste à émettre un faisceau laser et de capter la réflexion de celui-ci. Il est alors possible de calculer la distance de l objet ayant réfléchi le laser en fonction du temps entre l émission et la réception. En effectuant ceci pour différents angles d azimut et d élévation, il est possible d avoir un nuage de points en coordonnées sphériques et éventuellement en coordonnées cartésiennes à la suite d une simple transformation. Cette technologie permet de représenter fidèlement l environnement immédiat du robot mais perd de la résolution pour des distances plus éloignées. De plus, un objet relativement petit peut cacher une grande partie du champ de vision du LIDAR si celui-ci est très près du robot. Il est donc inévitable de se déplacer pour effectuer un balayage à un autre endroit et de faire la correspondance entre ces deux informations. La consolidation

13 2 Figure 1.1 Distance parcourue sur la Lune et sur Mars (NASA (2013)) de deux balayages se fait par la technique de recalage. Le recalage est le fait d établir la correspondance entre deux images représentant en partie un même objet ou dans notre cas une même surface. La figure 1.2 démontre un exemple de recalage de deux images. Ces deux images représentent chacune une partie de la surface autour d un cratère. Le recalage de ces images permet alors d avoir une carte mieux définie du cratère et de ses alentours.

14 3 Pour effectuer le recalage, l algorithme le plus utilisé est l algorithme ICP pour «Iterative Closest Point». Comme son nom l indique, c est un algorithme itératif permettant de trouver la relation entre les images donnant la plus petite distance entre chacun des points. Comme l illustre le schéma 1.3, les étapes principales de l algorithme sont la sélection de points du balayage source, le calcul du plus proche voisin de chacun de ces points dans le balayage cible et l application d une transformation minimisant la distance entre ces paires de points. L algorithme ICP de référence est basé sur les travaux de Besl et McKay (1992). Par contre, plusieurs auteurs ont repris cet algorithme et l ont modifié pour l adapter à leur besoin en fonction de l application. Dans le cadre de ce projet, l algorithme utilisé a été développé par Sébastien Gemme de l Agence Spatiale Canadienne. Certaines différences s y retrouvent par rapport à l ICP de base. Premièrement, le recalage se fait en deux parties. Un premier recalage se fait avec des paramètres moins limitatifs permettant d obtenir un résultat grossier rapidement. Ensuite, ce résultat est amélioré en faisant un autre recalage avec des paramètres plus restrictifs. L algorithme a aussi été amélioré en ajoutant la normale à la surface dans la recherche des points voisins. En effet, au lieu de faire une recherche dans un espace en trois dimensions, la correspondance entre deux points est établie en fonction de la normale à la surface en plus des coordonnées cartésiennes. Ceci permet de faire une meilleure correspondance entre les points de deux balayages. Malgré ceci, le recalage connaît une limitation importante. Celui-ci est très sensible aux conditions initiales et risque de converger vers un minimum local si l estimation de la transformation reliant deux balayages est relativement loin de la réalité. Ce problème est illustré à la figure 1.4. Imaginons que nous voulons trouver le minimum de la courbe illustrée. La technique classique est de se déplacer dans la direction de la pente à partir de la condition initiale. Lorsqu un minimum est atteint, la pente de chaque côté du point ramène toujours au même point qui est considéré comme le minimum. Une façon intuitive d illustrer le problème est en s imaginant une bille qui roule sur la courbe. Celle-ci va se retrouver dans un des trois minimums indiqués sur le graphique en fonction de la condition initiale. Il est évident que si cette condition est à l extérieur des lignes pointillées, nous n obtiendrons pas le minimum recherché. C est exactement le même problème rencontré lors de l algorithme de recalage. Celui-ci effectue de petites transformations à chaque itération. Or, il est possible d atteindre un point où une petite transformation va augmenter la distance entre les points sélectionnés même si les balayages ne sont pas bien recalés. L algorithme en conclut qu il a atteint le minimum, mais celui-ci ne représente pas nécessairement le bon recalage. Présentement, il n y a aucun moyen de quantifier le résultat du recalage et celui-ci est toujours considéré comme bon. Ceci s avère être un problème important pour la cartographie puisque des erreurs importantes

15 4 peuvent ainsi être introduites dans la carte globale. 1.2 Objectifs de recherche L objectif principal de ce projet de recherche consiste à déterminer une métrique d erreur permettant de quantifier le résultat d un recalage et ainsi rejeter les résultats erronés. Le résultat recherché est donc une valeur de 0 à 1 représentant la probabilité qu un recalage ait convergé vers le minimum absolu. De plus, cette information pourrait être utilisée dans un algorithme de répartition d erreur pour redistribuer l erreur accumulée tout au long de la trajectoire d un robot mobile lorsque celui-ci revient à un endroit déjà visité. 1.3 Plan du mémoire Les grandes lignes du travail fait pour rencontrer les objectifs sont présentés dans le présent document. Tout d abord, une brève revue de littérature sera faite pour expliquer l état des recherches dans le domaine de localisation et cartographie simultanées. Ensuite, l algorithme de boucle fermée utilisé pour distribuer l erreur sera présenté. Ceci permettra d introduire le chapitre suivant qui correspond au coeur du projet, soit la détermination d une métrique permettant de discriminer les bons des mauvais recalages. Une brève description des données utilisées sera aussi faite avant de présenter les résultats obtenus. Finalement, une conclusion permettra d établir l état des travaux et de proposer des pistes de continuation.

16 5 (a) Image 1 (b) Image 2 (c) Images 1 et 2 recalées Figure 1.2 Exemple de recalage

17 6 Figure 1.3 Étapes principales de l algorithme ICP Figure 1.4 Exemple illustrant le problème de minimum local

18 7 CHAPITRE 2 REVUE DE LITTÉRATURE Nous présenterons ici un bref aperçu de la littérature sur le sujet étudié. Cette revue est séparée en trois sections. La première partie rassemble les travaux faits pour le recalage de deux images ensemble. Ensuite, les recherches portant sur la minimisation de l erreur lorsque nous avons plusieurs images à recaler entre elles seront présentées. Finalement, les études faites plus particulièrement pour des applications de localisation et cartographie simultanées en robotique mobile seront listées. 2.1 Algorithme ICP et variantes Le recalage d image est un sujet très étudié depuis de nombreuses années. Il faut remonter jusqu à plus de vingt ans pour voir l apparition d un des articles les plus cités dans ce domaine, soit celui de Chen et Medioni (1991). Les auteurs proposent une technique de recalage en minimisant la distance entre un point et une surface. Très peu longtemps après, Besl et McKay (1992) proposent l algorithme ICP standard décrit brièvement dans l introduction. Ils prouvent que cet algorithme converge de façon monotone vers le minimum local le plus près. Par la suite, plusieurs auteurs ont repris cet algorithme pour l améliorer et l adapter à leur problème. Ainsi, parmi les techniques développées, notons l EMICP (Liu, 2006), (Liu, 2010) qui associe l ICP avec une technique d espérance et de minimisation (EM). Cette approche permet d ajouter un calcul probabiliste pour déterminer la correspondance entre les points de deux recalages. Sharp et al. (2002) se sont aussi concentrés sur la correspondance entre les points des deux images à recaler. Ils ont étudié plusieurs quantités invariantes par rapport à des translations et rotations des images. Ces quantités sont entre autres la courbure des surfaces, les moments invariants, les harmoniques sphériques, etc. Barnea et Filin (2008) ont quant à eux développé une technique se basant sur la distance des points dans un même nuage de points. Cette valeur est elle aussi invariante par rapport à une transformation et permet de faire une meilleure correspondance entre les deux images. Notons aussi les travaux de Choe et Medioni (2007) qui font du recalage d image presque planaires. Le recalage est d abord estimé en supposant les images planaires. Ensuite, une reconstruction en trois dimensions de la surface est effectuée et un autre recalage entre ces

19 8 nouvelles images permet d obtenir un résultat plus précis. Aussi, Du et al. (2010) ont modifié l algorithme ICP pour l utiliser dans le cas affine. La matrice de transformation est alors décomposée en trois matrices par la méthode SVD. Celles-ci représentent la réflexion, la rotation et l homothétie. Les variantes sont tellement nombreuses que des chercheurs se sont occupés à comparer celles-ci. Rusinkiewicz et Levoy (2001) ont séparé l algorithme selon six critères et ont comparé plusieurs variantes en fonction de ces critères. Ceux-ci sont l échantillonnage des points, la correspondance des points, le poids associé à chaque correspondance, le critère de rejet des paires de points, la métrique d erreur et la technique de minimisation de l erreur. Dans le cadre de ce projet, l algorithme développé par Gemme et al. (2012) a été utilisé. Les principales différences de cet algorithme avec l ICP standard sont discutées au chapitre Recalage de plusieurs surfaces Dans la majorité des situations, le nombre de surfaces à recaler ne se limite pas seulement à deux. Eggert et al. (1996) ont présenté une technique pour distribuer l erreur dans le cas où plusieurs surfaces sont disponibles. Ils relient chaque surface à des ressorts virtuels et le problème devient alors un simple problème de dynamique où les ressorts auront tendance à converger vers une position représentant un minimum d énergie. Ceci permet de redistribuer l erreur sur l ensemble des recalages et d avoir une carte globale plus continue. Neugebauer (1997) quant à lui, utilise une méthode plus directe qui consiste à effectuer le recalage de toutes les surfaces en même temps. Il utilise la méthode de Levenberg-Marquardt pour résoudre le problème des moindres carrés et converger vers une solution où toutes les surfaces seront recalées entre elles. Wang et al. (2008) font eux aussi directement le recalage de plusieurs nuages de points en même temps. Par contre, ils modélisent ces nuages de points par des Gaussiennes et utilisent le critère de Jenson-Shannon pour minimiser l erreur globale. Dans ses travaux, Pulli (1999) effectue le recalage de surfaces deux par deux pour obtenir un ensemble de contraintes. Ces contraintes sont alors mises en commun pour obtenir un ensemble représentant toutes les surfaces. Il est alors possible de réduire la mémoire et la puissance de calcul nécessaire puisque les surfaces n ont pas à être gardées en mémoire par la suite. 2.3 Applications spécifiques en robotique mobile Il n y a pas seulement en robotique mobile où le recalage est important. En effet, cette technique est très utilisée par exemple en imagerie médicale et en informatique pour la recon-

20 9 naissance d objets. Ces applications utilisent des images ou surfaces très différentes de celles rencontrées en exploration spatiale où celles-ci sont très irrégulières et n ont pas de marqueurs spécifiques permettant d aider au recalage. C est pourquoi il est intéressant de souligner les travaux de Surmann et al. (2003), Lingemann et al. (2005), Ohno et al. (2006), Nüchter et al. (2007) et Viejo et Cazorla (2007) qui utilisent des technique semblables à celles présentées plus haut mais qui sont mieux adaptées au genre de surfaces rencontrées lors du problème de localisation et cartographie simultanées. Il est important de noter que dans les travaux présentées, aucun ne développe une métrique d erreur permettant de qualifier le résultat d un recalage à l exception de ceux de Cole et Newman (2006). Ils utilisent les histogrammes représentant la distance entre les points à chaque itération pour distinguer un bon d un mauvais résultat. Par contre, ce travail est fait avec des balayages effectués dans un environnement urbain où plusieurs facteurs aident grandement au recalage. En effet, une étape de pré-traitement permet de détecter des arêtes ou des formes particulières permettant de faciliter la correspondance entre les surfaces.

21 10 CHAPITRE 3 ALGORITHME DE BOUCLE FERMÉE Un problème majeur pour l autonomie des robots mobiles est l accumulation d erreurs qui entraîne la déviation de la trajectoire. Imaginons un robot qui tente de suivre une trajectoire rectiligne. Celui-ci prend un balayage de son environnement à tous les 5 mètres pour calculer sa nouvelle position en fonction de son dernier estimé. Par contre, supposons que l estimation de la pose du robot est erronée de 0.1 degrés en rotation par rapport à l axe Z (angle de lacet) à chaque étape. Cette erreur aura peu d impact sur une courte distance, mais elle va rapidement devenir très importante. La figure 3.1 représente cette situation hypothétique. Après 50 mètres, l erreur est de seulement 0.4 mètre tandis qu elle est d un peu plus que 1.6 mètres pour une trajectoire de 100 mètres. Figure 3.1 Accumulation d erreur de positionnement Pour une trajectoire rectiligne utilisée dans cet exemple, il est impossible pour le robot de

22 11 corriger cette accumulation d erreur si celui-ci n obtient aucune information supplémentaire. Par contre, si sa trajectoire n est pas rectiligne et qu il repasse au même endroit plus d une fois, il est possible de distribuer l erreur totale sur toute la trajectoire représentant la boucle fermée pour obtenir une carte globale plus précise. La figure 3.2 représente bien cette situation. La première image représente une trajectoire circulaire où le robot a effectué 7 balayages notés de N 1 à N 7. Le premier et le dernier balayage ne se superposent pas selon l estimation du robot, mais ils ont une région commune en réalité. Chaque ressort représente un lien entre deux balayages. Ce lien est en fait le résultat de l algorithme de recalage. Le but est de corriger cette trajectoire comme le démontre la figure 3.2(b). Le lien entre les balayages N 1 et N 7 a permis de corriger l erreur accumulée tout au long de la trajectoire et d obtenir une carte plus précise. (a) Avant correction (b) Après correction Figure 3.2 Trajectoire fermée avant et après correction La technique utilisée pour faire la correction de l erreur accumulée est celle proposée par Eggert et al. (1996) où des ressorts virtuels sont attachés entre chaque balayage. Pour utiliser cette méthode, il faut tout d abord détecter quand le robot visite un endroit déjà connu. Autrement, les liens entre les balayages ne formeraient pas une boucle fermée et il serait donc impossible de corriger l accumulation d erreur. Deuxièmement, il faut déterminer le nombre, l emplacement et la force des ressorts entre chaque paire de balayage. Finalement, un algorithme doit permettre de distribuer l erreur sur l ensemble de la boucle fermée selon les contraintes des ressorts. La détection de boucle fermée ne fait pas partie de l objectif de ce projet. Il est donc pris

23 12 pour acquis qu un autre algorithme permet de détecter cette boucle ou qu une intervention humaine est nécessaire pour cette partie. Les sections suivantes décriront comment les autres parties du processus ont été effectuées. 3.1 Nombre et emplacement des ressorts Le nombre de ressorts utilisés a été fixé à trois pour éviter d avoir un système sousdéfini. Pour la même raison, les points choisis pour fixer les ressorts ne doivent évidemment pas être colinéaire. Pour choisir ceux-ci, une première sélection est faite en mesurant la distance de chaque point avec son plus proche voisin dans l autre ensemble. La première paire de points sélectionnée est celle dont les points sont le plus près l un de l autre. Ensuite, tous ceux séparés de moins de 150% de la distance séparant cette première paire de points sont sélectionnés. Cette valeur a été fixée de manière à obtenir le plus grand sous-ensemble possible composé seulement des meilleurs correspondances. Par contre, si moins de 20 paires de points respectent ce critère, les 20 premières sont sélectionnées pour éviter d avoir des points colinéaires. Finalement, des vecteurs sont créés entre ces points et le premier point choisi ( v 21 et v 31 ). Les deux points donnant le plus grand produit vectoriel sont ceux qui seront utilisés pour fixer les ressorts. 3.2 Algorithme de répartition de l erreur Une fois les ressorts fixés, la distribution de l erreur se fait en résolvant le système dynamique composé des balayages et des ressorts. Ceci est fait itérativement avec un intervalle de temps t assez petit. Ceci permet de calculer les déplacements d un balayage par rapport aux autres en supposant ceux-ci fixes. Il suffit donc de faire la somme des forces et couples appliquées à un balayage par les ressorts. Ensuite, les équations 3.1, 3.2, 3.3 et 3.4 permettent d obtenir un déplacement linéaire et angulaire. Les vitesses linéaires et angulaires initiales ( v 0 et ω 0 ) sont considérées comme nulles à chaque itération. Cette approximation ne change pas le résultat puisque le système va néanmoins converger vers le minimum. Par contre, l algorithme prendra plus d itérations. Une fois les déplacements calculés pour chacun des balayages, ils sont appliqués et l algorithme itère comme ceci jusqu à ce que la somme de la norme de tous les déplacements soit plus petite qu une valeur seuil. Σ F = m a (3.1) d = d 0 + v 0 t + a t2 2 (3.2)

24 13 Σ τ = I α (3.3) θ = θ 0 + ω 0 t + α t2 2 (3.4) Pour éviter d avoir une divergence causée par l approximation des balayages fixes, l intervalle de temps t de chaque itération est dynamique. Si un déplacement est supérieur à celui de la dernière itération, celui-ci n est pas appliquée et t est réduit de 80%. Ceci permet d avoir un intervalle de temps plus grand au début de l algorithme lorsque les déplacement sont plus importants et celui-ci diminue au fur et à mesure que l algorithme itère. La valeur de 80% correspond au compromis entre une trop petite valeur qui diminuerait trop rapidement t versus une plus grande valeur qui demanderait plus d itération pour réduire le critère. De cette façon, il est possible d avoir un résultat précis sans avoir un nombre excessif d itérations. Un exemple du résultat que cet algorithme peut donner est représenté aux figures 3.3, 3.4 et 3.5. Imaginons un parcours circulaire d un robot où 12 balayages ont été faits. La figure 3.3 représente cette trajectoire où une erreur sur la position et l orientation de chacun des balayages a été ajoutée. Ensuite, étudions d abord le cas où la correspondance entre les balayages est connue. Ceci permet de fixer chaque ressort entre deux points représentant le même espace physique. La figure 3.4 donne quant à elle la position des balayages après 2 et 5 itérations de l algorithme et le résultat final ainsi que les positions réelles se retrouvent à la figure 3.5. L amplitude de l erreur moyenne obtenue est de 0.19 mètre et de 0.51 radians pour chaque balayage. 3.3 Force des ressorts Il serait avantageux d utiliser une constante de raideur différente pour chaque ressort en fonction de la confiance au résultat du recalage. Dans l exemple précédent, les ressorts ont tous une constante de 1 N/m. Par contre, les recalages n ont pas forcément tous donné la même précision. Certains auront convergé vers le minimum absolu et permettent de placer les ressorts aux endroits idéaux. Par contre, d autres vont introduire une erreur s ils convergent vers un minimum local. Le cas idéal serait de détecter les mauvais recalages et ainsi de rejeter la correspondance établie entre les deux balayages concernés. L algorithme pourrait alors utiliser seulement les résultats de recalage fiables pour redistribuer l erreur. Par contre, il est très difficile de quantifier le résultat de l algorithme de recalage. Il n y a pas d information évidente donnant la validité du résultat. Le chapitre suivant porte donc sur la recherche d une métrique pouvant indiquer la probabilité que le résultat d un recalage représente le minimum absolu. Cette valeur pourrait

25 14 alors être directement utilisée pour fixer la constante de raideur des ressorts dans l algorithme de distribution d erreur. Ainsi, un ressort ayant une constante de raideur plus élevée représenteraient des liens plus rigide et les balayages qui y sont attachés auront moins tendance à bouger. À l inverse, un recalage erroné engendrerait une constante faible et les balayages pourront être déplacés pour corriger cette erreur.

26 15 (a) Conditions initiales (b) Ressorts fixés Figure 3.3 Exemple de recalage - Conditions initiales

27 16 (a) Itération 2 (b) Itération 5 Figure 3.4 Exemple de recalage - Résultats intermédiaires

28 17 (a) Résultat final (b) Positions réelles Figure 3.5 Exemple de recalage - Résultat final et positions réelles

29 18 CHAPITRE 4 DÉTERMINATION D UNE MÉTRIQUE L objectif est de trouver une caractéristique du résultat d un recalage pour détecter si celui-ci a convergé vers le minimum absolu. Par exemple, un recalage aurait plus de chance de converger plus la région de superposition entre les balayages est grande. Cette simple variable pourrait donc donner une indication sur la validité du résultat. Cependant, la superposition des balayages ne permet pas de bien différencier un bon d un mauvais résultat. Il faut donc trouver une variable ou plus vraisemblablement une combinaison de variables permettant d effectuer cette différenciation. Les étapes suivantes ont permis d obtenir une métrique s approchant de cet objectif. Tout d abord, une base de données de résultats de recalages a été construite pour effectuer les tests. Chaque résultat est alors modélisé par un ensemble de variables le caractérisant. Plusieurs facteurs ont été testés et 19 de ceux-ci ont été retenus. Ensuite, un algorithme de discrimination a été appliqué avec chacune des combinaisons possibles de ces 19 variables pour finalement obtenir l ensemble des caractéristiques permettant de distinguer un bon d un mauvais recalage. 4.1 Création de la base de données À partir des 102 nuages de points pris sur le terrain d émulation de Mars (voir chapitre 5), 169 paires ont été sélectionnées pour tester l algorithme de recalage. Ces paires correspondent à toutes les paires de nuages distants de moins de 10 mètres auxquels ont été enlevés ceux qui ont une trop petite région de superposition. Pour chacune de ces paires de balayages, une erreur variant de -25 à +25 degrés pour l angle de lacet ainsi que de 0 à 5 mètres en translation a été ajoutée au balayage source avant d appliquer l algorithme ICP. Ceci a donné un résultat de recalage pour 4203 situations. Pour chaque recalage, la position corrigée est comparée à la position réelle du balayage. Si la distance est inférieure à 0.2 mètre et 0.05 radian ( 2.86 ), le résultat est considéré comme bon. Au contraire, si ces valeurs sont de plus de 1 mètre ou 0.2 radian ( ), le résultat est étiqueté comme mauvais. Ainsi, le résultat peut être ni bon, ni mauvais puisque seulement les extrêmes sont considérés pour la détermination de la métrique. Ceci permet de faire une délimitation nette entre un bon et un mauvais résultat pour mieux détecter les caractéristiques propres à chaque groupe.

30 Algorithme de discrimination La technique utilisée pour qualifier le résultat d un recalage est l analyse discriminante. À partir de la base de données, nous avons deux groupes bien distincts représentant les bons et les mauvais résultats. Chaque test est représenté dans un espace à N dimensions correspondant aux N variables permettant de mieux décrire le résultat d un recalage. Pour chaque groupe, la moyenne (µ) et la covariance (Σ) des N variables sont calculés et permettent d obtenir une fonction de distribution gaussienne multivariable. Lorsqu un nouveau recalage est effectué, la probabilité d appartenance à chacun des groupes est calculée selon la formule 4.1 et la plus haute valeur indique alors à quel groupe le nouveau recalage appartient. f x = 1 (2π)k Σ exp( 1 2 (x µ)t Σ 1 (x µ)) (4.1) Par exemple, imaginons que nous avons un espace en deux dimensions (N=2). La base de données pourrait alors être représentée dans un plan comme à la figure 4.1 où les points bleus sont les bons résultats et les points rouges les mauvais. Les ellipses de même couleur représentent l espace d écart-type de 1 («1-sigma ellipse»). La plus grande région bleue correspond à la région où les nouveaux points seront considérés comme des résultats valides et les points à l extérieur seront invalides. L exemple de la figure 4.1 contient des valeurs fictives, mais représente un cas probable où les ellipses des deux groupes se superposent ce qui implique inévitablement des mauvaises classifications. L index de performance de l algorithme s appelle le taux d erreur apparent (APER «APparant Error Rate») et correspond au taux du nombre de mauvaises classifications sur le nombre total de points. Dans cet exemple, il y a 28 points mal classifiés (points rouges dans la région bleue et points bleus à l extérieur) sur un total de 200 points. Ceci indique donc un qu un nouveau recalage aurait 14% de chance d être mal classifié selon ces critères. Évidemment, plus les deux groupes sont distincts, plus le taux d erreur apparent diminue et la classification se fait plus adéquatement. La difficulté réside donc dans le choix du nombre et de la nature des variables permettant d obtenir des ellipses les plus distinctes entre les bons et les mauvais recalages. La section suivante énumère les principales variables testées et donne une brève description de chacune d elles. 4.3 Variables Chaque variable a été testée indépendamment pour voir si elle permet de différencier les deux groupes définis plus haut. En affichant la dite variable de tous les recalages sélectionnés en fonction de leur erreur, il est facile de détecter visuellement si la variable donne une bonne indication de la validité de chaque recalage. Les graphiques de chacune des variables

31 20 Figure 4.1 Représentation de la base de données selon deux variables en fonction de l erreur de translation sont réunis dans l Annexe 1. Pour chaque résultat de recalage, les caractéristiques suivantes ont été comparées avec la base de données pour trouver la meilleure façon de différencier les résultats valides des autres. Pourcentage de superposition Le nombre d itérations La différence entre les distributions des normales L amplitude de la correction effectuée La distance de chaque point avec son plus proche voisin Pourcentage de superposition Le pourcentage de superposition est très important dans l algorithme de recalage. En effet, plus la surface recouverte par les deux balayages est grande, plus il y a de chances que l algorithme converge vers la bonne solution. Inversement, si la région commune aux deux surfaces est très petite, il est très improbable d obtenir une bonne solution. Le pourcentage de la surface qui est commune entre les deux balayages donne une indication de la probabilité d avoir un bon recalage. Deux techniques ont été testées pour calculer cette valeur. Premièrement, la distance de chaque point d un balayage avec son plus proche voisin dans l autre balayage est calculée. Ensuite, une valeur seuil permet de déterminer quels points font partie de la région de superposition. La figure 4.2 représente une partie de l histogramme obtenu ainsi. On y voit très bien qu une grande majorité des points ont un plus proche voisin à 0.25 mètre ou moins. Cette valeur a donc été conservée comme valeur de seuil pour ce

32 21 test. Dans cet exemple-ci, 9929 points sur répondent a ce critère, le pourcentage de superposition est donc de 71.2%. Figure 4.2 Distribution de la distance entre chaque point et son plus proche voisin L autre technique utilisée pour calculer le pourcentage de superposition est celle présentée par Chetverikov et al. (2005). Celui-ci propose de minimiser la fonction objectif 4.2 représentant le ratio entre l erreur quadratique moyenne et le pourcentage de points dans la région de superposition. Le paramètre λ permet de fixer l importance du pourcentage de superposition dans ce ratio. Celui-ci a été fixé à 2 comme dans les travaux de Chetverikov et al. (2005). ψ(ξ) = e(ξ) ξ 1+λ (4.2) En calculant ce rapport pour différentes valeurs de ξ, le minimum obtenu correspond au pourcentage de superposition recherché. En reprenant le même exemple que précédemment, nous obtenons le graphique de la figure 4.3 représentant la fonction à minimiser. Le minimum se situe à 0.73, ce qui donne un pourcentage de superposition relativement proche de celui obtenu par l autre méthode (73% et 71.2%) Nombre d itérations L algorithme de recalage s effectue en deux parties. Premièrement, un recalage grossier permet de d obtenir une bonne approximation de la solution. Ensuite, un recalage plus restrictif permet de trouver la réponse la plus précise possible. La première étape s effectue en un maximum de 50 itérations et la deuxième en 5 itérations ou moins. Le nombre maximal

33 22 Figure 4.3 Valeur de la fonction 4.2 en fonction du pourcentage de superposition d itérations est donc de 55. Cette valeur à elle seule ne permet pas de différencier un bon d un mauvais recalage puisque si l algorithme termine en moins de 55 itérations, ceci signifie seulement qu il a atteint un minimum local et rien ne garantit que ce minimum est la solution recherchée. Inversement, un algorithme n ayant pas atteint le critère de convergence avant 55 itérations peut néanmoins être très près du minimum global. Malgré ceci, il est possible que le nombre d itérations soit pertinent pour valider le résultat du recalage en l utilisant avec d autres variables. Par exemple, un pourcentage de superposition faible pourrait expliquer qu un algorithme prenne plus d itérations pour converger ou bien un faible relief expliquerait un nombre d itérations petit Relief des balayages Après plusieurs tests de l algorithme de recalage, il est devenu évident que le relief du terrain a un grand impact sur les performances de l algorithme. Celui-ci converge beaucoup plus souvent vers un minimum local lorsque le terrain est très plat que lorsqu il y a plus de relief. Même pour un être humain, le recalage peut devenir très difficile dans cette situation. Prenons par exemple la figure 4.4 qui représente deux balayages effectués près de la plaque de dalles alpha (région très plane). Les deux balayages ayant très peu de relief, il est pratiquement impossible de dire avec certitude qu ils sont bien superposés. La figure 4.5 représente les mêmes balayages, mais une erreur de translation de 3 mètres a été ajoutée à un balayage. En comparant les deux figures, on ne saurait dire laquelle des deux est le résultat d un recalage erroné.

34 23 Figure 4.4 Deux balayages ayant peu de relief (aucune erreur) Figure 4.5 Deux balayages ayant peu de relief (translation de 3 mètres) Une information qui peut indiquer le niveau de relief dans un nuage de point et qui a l avantage d être déjà calculée est la normale de la surface en chaque point. Si la composante en Z de chacune de ces normales sont relativement semblables, ceci indique que la surface est toujours orientée dans la même direction et qu il y a donc peu de relief. Au contraire, plus les valeurs sont distinctes, plus la région est accidentée. Ainsi, pour chaque balayage, il suffit d utiliser les normales pour en déterminer le niveau de relief. Deux techniques ont été testées

35 24 pour obtenir cette information. Variance des normales Premièrement, la variance des normales donne directement une valeur représentative de la rugosité de la surface. Par exemple, avec les figures 4.6 et 4.7 représentent deux régions ayant un relief très différent. La variance des normales sont respectivement de et Cette différence notable permet de bien différencier les balayages entre eux et démontre que la variance des normales donne une bonne indication du niveau de relief. Figure 4.6 Exemple de balayage dans une région avec du relief Valeur seuil Une autre méthode de calcul permet d obtenir une valeur indiquant le niveau de relief à partir des normales. Il suffit de calculer le ratio de normales ayant une composante en Z plus grande qu une certaine valeur seuil. Cette valeur de seuil a été déterminée empiriquement en comparant deux balayages les plus distincts possibles comme par exemple ceux des figures 4.6 et 4.7. En regardant l histogramme des valeurs des normales représenté à la figure 4.8, nous remarquons que le balayage accidenté a des valeurs supérieures pour des normales inférieures à C est donc cette valeur qui est retenue comme seuil. Ainsi, l indice du niveau de relief revient à calculer le rapport du nombre de normales supérieures à 0.99 sur le nombre total de points. À titre d exemple, en reprenant les deux mêmes balayages, les valeurs obtenues sont de 67.35% et 90.21%.

36 25 Figure 4.7 Exemple de balayage dans une région plane Figure 4.8 Histogramme représentant la composante Z des normales Distance de Hausdorff Cette mesure a été présentée par Felix Hausdorff en 1914 pour calculer la distance entre deux sous-ensembles. Il s agit de la plus grande distance entre un point et son plus proche voisin. Une manière plus intuitive de comprendre cette valeur est de s imaginer un homme qui promène son chien en laisse. Les deux se déplacent chacun sur une surface. La distance d Hausdorff correspond alors à la longueur minimale de la laisse. La figure 4.9 représente

37 26 aussi très bien cette valeur. Figure 4.9 Représentation de la distance d Hausdorff (Rocchini, 2007) Cette distance n a de sens que si elle est calculée sur la région où les deux balayages se superposent. Par contre, cette région est déterminée en rejetant les points dont leur plus proche voisin est plus loin d un certain seuil, ce qui annule l utilité de la distance d Hausdorff puisque la plus grande distance ne sera jamais supérieure à ce seuil. Pour contrer ceci, nous avons fait la supposition que la surface est principalement dans le plan XY. Ainsi, la région de superposition est calculée en mesurant seulement les distances dans ce plan. Par la suite, la distance d Hausdorff est calculée en utilisant les coordonnées des points dans les trois dimensions. Reprenons les balayages des figures 4.4 et 4.5 comme exemple. La région de superposition est sélectionnée avec une valeur seuil de 0.25 mètre, dans le plan XY. Par la suite, la distance d Hausdorff pour chacun des cas est de m et m pour les positions réelles et erronées respectivement «Spin image» La technique de «spin image» est une technique bien connue dans le domaine de la reconnaissance d objet. Elle consiste en un descripteur local, c est-à-dire que c est seulement la région au voisinage d un point qui est comparée entre les balayages et non les balayages au complet. Pour appliquer la technique de «spin image», il suffit de choisir arbitrairement un point et de représenter tous les points dans son voisinage avec des coordonnées relatives à ce point central. Ainsi, ceux-ci n auront plus les coordonnées spatiales XYZ, mais seront transformés dans un plan en deux dimensions dont les coordonnées sont la distance et l élévation relatives au point central. Cette transformation est illustrée à la figure Dans

38 27 cet exemple, le point central choisi est le point p et le point x étant dans son voisinage, ses nouvelles coordonnées α et β sont calculées. Nous obtenons alors un nuage de points en deux dimensions représentant tous les voisins du point central choisi. Ensuite, nous effectuons une discrétisation de cet espace pour obtenir la «spin image» finale. La valeur de chaque pixel de l image est calculée par interpolation bilinéaire comme illustré à la figure Figure 4.10 Transformation utilisée pour la technique «spin image» (Johnson, 1997) Figure 4.11 Étapes de la génération de «spin image» à partir d un nuage de points (Johnson, 1997) Ajustement des paramètres La qualité de l image obtenue dépend fortement des valeurs utilisées pour la discrétisation. Si l échantillonnage sur les axes α et β sont trop fins, l image résultante sera très sensible au bruit et deux images obtenues à partir de deux points rapprochés dans l espace ne seront pas nécessairement semblables. Au contraire, si l échantillonnage est trop large, nous

39 28 perdons beaucoup d informations et l image devient plus floue. Johnson (1997) propose un échantillonnage du même ordre de grandeur que la résolution du nuage de points. De plus, les valeurs maximales de α et β ont un impact puisqu ils déterminent la grandeur de la région au voisinage du point central qui sera transformée. Ainsi, nous avons quatre paramètres à déterminer qui auront un impact significatif dans la comparaison des «spin image». Pour déterminer ces paramètres, nous avons effectué des tests avec deux balayages ayant une bonne superposition. Ensuite, nous avons choisi au hasard cent points dans un des balayages et leur plus proche voisin dans l autre. Nous avons ainsi cent paires de points dont les «spin image» peuvent être comparées. Ces images sont générées en testant différentes combinaisons de paramètres possibles. Alternativement, nous avons sélectionné un autre point éloigné des deux autres et comparé l image obtenue. L objectif est de trouver les paramètres donnant les images les plus semblables pour les deux points rapprochés tout en donnant des images différentes de celle obtenue avec le point plus éloigné. Comparaison de «spin image» La comparaison des images se fait par un calcul de coefficient de corrélation linéaire. Chaque pixel d une image est comparée avec la valeur du pixel correspondant dans l autre image. Ceci permet d obtenir un diagramme de dispersion illustrant la ressemblance de deux images. Le coefficient de corrélation linéaire de ce diagramme permet de chiffrer cette ressemblance. L équation 4.3 permet de calculer ce coefficient à partir de deux images P et Q contenant chacune i pixels. R(P, Q) = N p i q i p i qi (N p 2 i ( p i ) 2 )(N q 2 i ( q i ) 2 ) (4.3) Un exemple permettant d illustrer la comparaison est présenté aux figures 4.12, 4.13 et La première représente les deux nuages de points à comparer. Un point et son plus proche voisin dans l autre balayage sont représentés par deux croix jaunes superposées. De plus, un troisième point, éloignés des autres, servira d exemple pour une mauvaise comparaison. Les deux autres figures illustrent les «spin images» et le diagramme de dispersion pour la bonne et la mauvaise correspondance. Sur la figure 4.13, les images sont plus semblables que sur la figure Ceci est réflété par les coefficients obtenus qui sont de et pour la bonne et la mauvaise correspondance respectivement.

40 29 Figure 4.12 Exemple de points utilisés pour comparer les images Figure 4.13 Images produites et diagramme de dispersion pour une bonne correspondance Image de distances («Range image») La technique de «spin image» donne un descripteur local autour d un point choisi au hasard. Il serait intéressant d avoir une technique semblable mais permettant d obtenir un descripteur global. C est l utilité d une image de distance. La figure 4.16 représente l image de distance du balayage représenté à la figure Chacun des pixels de cette image représente une certaine région du balayage dans le plan XY. La moyenne de la composante Z de ces points donne une valeur au pixel. La même technique de comparaison utilisée pour les «spin images» est applicable dans

41 30 Figure 4.14 Images produites et diagramme de dispersion pour une mauvaise correspondance Figure 4.15 Balayage utilisé pour l exemple d image de distance le cas des images de distance. Il suffit d éliminer les points n étant pas dans la surface de superposition et de générer une image de distance pour chacun des balayages. Finalement, le coefficient de corrélation linéaire du diagramme de dispersion donne une valeur indiquant la ressemblance entre les deux balayages. Plus ceux-ci sont semblables, plus ils ont de chances de représenter la même surface. De plus, l index MSSIM (Mean Structural Similarity) est calculé comme dans les travaux de Wang et al. (2004). Cette valeur consiste en la comparaison de la luminance, du contraste et de la structure des deux images.

42 31 Figure 4.16 Exemple d image de distance Distance de chaque point avec son plus proche voisin Finalement, une dernière valeur qui a été testée correspond à la distance de chaque point avec son plus proche voisin dans l autre balayage. L hypothèse est que pour un bon recalage, les surfaces se superposent presque parfaitement et la majorité des points de la région de superposition sont très près du point de l autre surface. Par contre, si le résultat du recalage est erroné, certains points devraient être plus éloignés de l autre surface. Ainsi, en déterminant une valeur seuil, il est possible d obtenir le pourcentage des points dans la région de superposition qui ont un plus proche voisin en deçà de cette valeur seuil. Plusieurs tests ont été fait avec des valeurs variant de 0.1 à 1 mètre. Quand cette valeur est aux alentours de 0.4 mètre, les résultats obtenus pour un bon et un mauvais recalage sont le plus différentiable. Les figures 4.17 et 4.18 représentent respectivement un bon et un mauvais résultat de recalage obtenus dans la même région. Pour le bon résultat près de 94.9% des points de la région de superposition ont un plus proche voisin à moins de 0.4 mètre. Ce pourcentage diminue à 86.9% dans l autre cas. Ceci indique que les surfaces se superposent mieux dans le premier cas.

43 32 Figure 4.17 Bon recalage, pourcentage de points ayant un PPV à moins de 0.4m : 94.9% Figure 4.18 Mauvais recalage, pourcentage de points ayant un PPV à moins de 0.4m : 86.9%

44 33 CHAPITRE 5 DONNÉES EXPÉRIMENTALES Toutes les données expérimentales utilisées dans ce projet ont été acquises sur le terrain d émulation de Mars, «Mars Emulation Terrain» (MET), situé à l Agence Spatiale Canadienne. Les mesures se font à l aide d un LIDAR installé soit sur un robot mobile ou tout simplement une plate-forme mobile. Un LIDAR («Light detection and ranging») fonctionne selon le même principe qu un radar, mais avec un Laser plutôt qu une onde radio. Ainsi, un faisceau laser est émis et lorsque celui-ci frappe un object, il est réflété et retourne vers le LI- DAR. En mesurant l intensité du faisceau reçu, il est possible de calculer la distance de l objet rencontré. Finalement, les angles d azimut et d élévation utilisés pour envoyer le faisceau laser complètent les coordonnées sphériques du point en question. Une étape de post-traitement est requise pour filtrer les données, les convertir en coordonnées cartésiennes et obtenir la triangulation. Trois phases d essais ont été faites au cours desquelles différents montages ont été utilisés. 5.1 Terrain d émulation de Mars Le terrain d émulation de Mars de l ASC, figure 5.1, a été spécialement conçu pour le développement de robots mobiles. Ce terrain de 120 mètres par 60 mètres est principalement composé de sable, roches de différents formats, cratères, etc. Deux régions sont particulièrement intéressantes pour le problème de recalage, soit la «saddle mountain» et la région autour de la plaque de dalles Alpha («flag stone patche Alpha») «Saddle Mountain» Cette colline est constituée de deux sommets et d un passage au milieu pour le robot. Cette partie du terrain est intéressante puisqu elle permet de simuler une trajectoire en boucle fermée autour de cette colline. Les parois de la collines ont l avantage de fournir un relief assez irrégulier facilitant le recalage. Par contre, elles bloquent la vue du robot et limitent ainsi la superposition de chaque balayage avec les autres. Une autre caractéristique intéressante est le passage au milieu de la colline permettant de faire une trajectoire en huit et ainsi de créer plus de dépendances entre les recalages pour l algorithme de boucle fermée. La figure 5.2 montre une vue aérienne de cette région du terrain et la figure 5.3 donne un exemple de balayage incluant une partie de ce mont.

45 34 Figure 5.1 Terrain d e mulation de Mars (CSA, 2011) Figure 5.2 «Saddle Mountain» (CSA, 2011) Plaque de dalles Alpha Cette partie du terrain d e mulation de Mars ne contient pratiquement aucune aspe rite. Ceci implique qu il est tre s improbable d obtenir un bon recalage si les conditions initiales

46 35 Figure 5.3 Exemple de balayage près de «Saddle Mountain» (CSA, 2011) sont le moindrement erronées. C est donc une région critique où les résultats donnés par l algorithme ICP sont très incertains. C est un exemple typique de moment où une bonne métrique d erreur de recalage est nécessaire pour donner une probabilité de bonne convergence et utiliser ces informations dans l algorithme de boucle fermée. La figure 5.4 représente deux balayages effectués dans cette région. On imagine très bien que les surfaces sont très difficiles à recaler, même avec une intervention humaine. 5.2 Données de «Mobile Robotics Test-Bed» Les données utilisées pour ce projet sont celles qui ont été acquises par le «Mobile Robotics Test-Bed (MRT)» de l ASC qui composent leur base de données appelée PERLdb («Planetary Exploration Rover LIDAR Database»). Cette base de données contient 102 balayages acquis avec différentes résolutions. La plus petite résolution, celle qui a été utilisée, est de 0.33 degrés d azimut. L acquisition des données a été faite du 29 septembre 2010 au 13 octobre 2010 et le montage expérimental consistait en un LIDAR (SICK LMS291), trois antennes GPS et une unité de mesure d inertie (IMU). Cette dernière fournit l orientation du robot tandis que les trois antennes GPS en plus d une quatrième fixée sur le toit du hangar forment un GPS différentiel (RTK DGPS). Ainsi, pour chaque balayage effectué par le LIDAR, la position et l orientation du robot sont connues avec une grande précision.

47 36 Figure 5.4 Exemple de deux balayages près de la plaque de dalles Alpha (CSA, 2011) Figure 5.5 Montage expérimental du «Mobile Robotics Test-Bed» (CSA, 2011)

48 37 CHAPITRE 6 RÉSULTATS 6.1 Métrique d erreur À partir des techniques présentées dans le dernier chapitre, une liste de 22 variables a été définie pour utiliser dans l algorithme de discrimination (Section 4.2). Ces variables sont présentées au tableau Chacune des combinaisons possibles a été testée dans l algorithme de discrimination et celles ayant obtenu le meilleur APER ont été retenues. Ceci donne un total de (2 21 ) cas comparés pour en déterminer la solution optimale. La figure 6.1 représente les combinaisons donnant les meilleurs APER. Le cas optimal est celui composé des paramètres suivants : Le pourcentage de superposition selon la méthode de Chetverikov et al. (2005) Le nombre d itérations La distance d Hausdorff Les normales des balayages source et cible Le coefficient R des «spin image» Le nombre de points finis dans les images de distance Avec ces paramètres, le taux apparent d erreur est de 2.12%, ce qui correspond à 20 faux négatifs et 69 faux positifs sur les 4203 recalages utilisés. Cependant, il est intéressant de regarder les autres combinaisons donnant de bons APER pour voir l impact de chacun des paramètres et ainsi noter ceux qui ont plus d importance que d autres. La figure 6.2 donne le nombre de fois où chaque variable est utilisée dans les cas donnant le meilleur APER. Il est intéressant de noter qu aucune variable n est utilisée dans 100 % des cas. Par contre, quelques-unes sont utilisées dans plus de 2/3 des cas. Il s agit du pourcentage de superposition, la distance d Hausdorff, le coefficient R des «spin image» ainsi que certaines normales. À l inverse, le pourcentage de plus proches voisins inférieurs à 0.4 mètres ainsi que la variance des distances des plus proches voisins sont utilisés très rarement et apportent donc peu d information. 1. Normale 1 correspond au relief des balayage calculé par la variance des normales et Normale 2 correspond au relief calculé par la valeur seuil (section 4.3.3).

49 38 Tableau 6.1 Liste des variables utilisées dans l algorithme de discrimination No Variable 1 Pourcentage de superposition calculé par l algorithme 2 Pourcentage de superposition selon la méthode de Chetverikov et al. (2005) 3 Nombre d itérations 4 Distance d Hausdorff 5 Normale 1 de tout le balayage source 6 Normale 1 de tout le balayage cible 7 Normale 2 de tout le balayage source 8 Normale 2 de tout le balayage cible 9 Normale 1 de la région de superposition du balayage source 10 Normale 1 de la région de superposition du balayage cible 11 Normale 2 de la région de superposition du balayage source 12 Normale 2 de la région de superposition du balayage cible 13 Coefficient R de «Spin Image» 14 Coefficient C de «Spin Image» 15 Nombre de points finis des images de distance 16 Erreur quadratique moyenne des images de distance 17 Coefficient R des images de distance 18 MSSIM des images de distance 19 Pourcentage de plus proches voisins du balayage source inférieurs à 0.4 mètre 20 Pourcentage de plus proches voisins du balayage cible inférieurs à 0.4 mètre 21 Variance de la distance des points du balayage source avec leur plus proche voisin 22 Variance de la distance des points du balayage cible avec leur plus proche voisin

50 39 Figure 6.1 APER des meilleures combinaisons de paramètres Figure 6.2 Pourcentage d utilisation de chaque variable dans les meilleures combinaisons

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Utilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par

Plus en détail

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES 1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES Si vous lisez ce livre c est que, probablement, vous faites des expériences et que vous cherchez à mieux les organiser. Vous cherchez surtout

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

11. Evaluation de la qualité des essais

11. Evaluation de la qualité des essais 11. Evaluation de la qualité des essais L évaluation de la qualité méthodologique d un essai thérapeutique est une tâche difficile [117]. L essai thérapeutique contrôlé randomisé est considéré comme étant

Plus en détail

Introduction à la Vision 3D

Introduction à la Vision 3D à la Vision 3D David Fofi Le2i UMR CNRS 6306 IUT Le Creusot Les applications présentées sont le fruit d une collaboration entre le Le2i et le laboratoire VICOROB de l Université de Gérone (Espagne). Les

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Chapitre 6 TESTS STATISTIQUES

Chapitre 6 TESTS STATISTIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 6 TESTS STATISTIQUES Les tests statistiques sont des méthodes de la statistique inférentielle qui, comme

Plus en détail

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Approche hybride de reconstruction de facettes planes 3D

Approche hybride de reconstruction de facettes planes 3D Cari 2004 7/10/04 14:50 Page 67 Approche hybride de reconstruction de facettes planes 3D Ezzeddine ZAGROUBA F. S.T, Dept. Informatique. Lab. d Informatique, Parallélisme et Productique. Campus Universitaire.

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU $SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang 199802 Composition d un portefeuille optimal Dinh Cung Dang Docteur en gestion de l IAE de Paris Ingénieur Conseil Résumé : Dans ce travail, le risque est défini comme étant la probabilité de réaliser

Plus en détail

EIGHTH SESSION. "Project Management"

EIGHTH SESSION. Project Management EIGHTH SESSION "Project Management" Objectifs : L objectif de cette scéance est d apprendre à analyser et à planifier un projet. A cette fin nous étudierons : 1) la méthode des chemins critiques (CPM)

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

SLAM Visuel Embarqué sur un Robot Quadrupède

SLAM Visuel Embarqué sur un Robot Quadrupède Résumé du mémoire de soutenance pour le Diplôme d Ingénieur INSA de Strasbourg - Spécialité Mécatronique - Et le Master des sciences de l université de Strasbourg - Mention Imagerie, Robotique et Ingénierie

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Factorisation des matrices creuses

Factorisation des matrices creuses Chapitre 5 Factorisation des matrices creuses 5.1 Matrices creuses La plupart des codes de simulation numérique en mécanique des fluides ou des structures et en électromagnétisme utilisent des discrétisations

Plus en détail

Composition d Informatique (2 heures), Filière MP (XC)

Composition d Informatique (2 heures), Filière MP (XC) école polytechnique concours d admission 2014 ens : cachan Composition d Informatique (2 heures), Filière MP (XC) Rapport de M. Didier CASSEREAU, correcteur. 1. Bilan général A titre de rappel, cette épreuve

Plus en détail

Recalage Multimodal par Maximisation de l Information Mutuelle

Recalage Multimodal par Maximisation de l Information Mutuelle SETIT 2009 5 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 22-26, 2009 TUNISIA Recalage Multimodal par Maximisation de l Information Mutuelle

Plus en détail

Etude expérimentale des modes d onde de surface piégés

Etude expérimentale des modes d onde de surface piégés Etude expérimentale des modes d onde de surface piégés P. J. COBELLI a, P. PETITJEANS a, A. MAUREL b, V. PAGNEUX b,c a. Laboratoire de Physique et Mécanique des Milieux Hétérogènes, UMR CNRS 7636 Ecole

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Travaux pratiques de Génie Informatique TP 2 & 3. séances, mais vous pouvez en faire plus. Essayer d aller le plus loin possible.

Travaux pratiques de Génie Informatique TP 2 & 3. séances, mais vous pouvez en faire plus. Essayer d aller le plus loin possible. 1 BUT DE LA SÉANCE. TRAVAUX PRATIQUES DE GÉNIE INFORMATIQUE Ces deuxième et troisième séances ont pour but de vous faire avancer dans la programmation sous Matlab. Vous y découvrez les fonctions, les sous-programmes

Plus en détail

Courant électrique et distributions de courants

Courant électrique et distributions de courants Cours d électromagnétisme Courant électrique et distributions de courants 1 Courant électrique 1.1 Définition du courant électrique On appelle courant électrique tout mouvement d ensemble des particules

Plus en détail

Les graphes d intervalles

Les graphes d intervalles Les graphes d intervalles Complément au chapitre 3 «Vol aux archives cantonales» Considérons un ensemble de tâches ayant chacune une heure de début et une heure de fin bien précises. Supposons qu on demande

Plus en détail

Description du module GENERATEUR rev.2 1. Rôle du module

Description du module GENERATEUR rev.2 1. Rôle du module Description du module GENERATEUR rev.2 1. Rôle du module Ce module doit implémenter un générateur de «points aléatoires» selon une répartition de densité donnée. Tout d abord, le générateur doit être initialisé

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3 MTH1504 2011-2012 CALCUL SCIENTIFIQUE Table des matières 1 Erreur absolue et erreur relative 2 2 Représentation des nombres sur ordinateur 3 3 Arithmétique flottante 4 3.1 Absorption........................................

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

Les états de collision inévitables, un outil pour la sûreté des systèmes robotiques

Les états de collision inévitables, un outil pour la sûreté des systèmes robotiques Les états de collision inévitables, un outil pour la sûreté des systèmes robotiques Antoine Durand-Gasselin, encadré par Thierry Fraichard, equipe emotion, laboratoire Inrialpes Contexte : La navigation

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - CHAINES DE MESURES CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,

Plus en détail

ANALYSE FACTORIELLE MULTIPLE PROCRUSTEENNE

ANALYSE FACTORIELLE MULTIPLE PROCRUSTEENNE ANALYSE FACTORIELLE MULTIPLE PROCRUSTEENNE Elisabeth Morand & Jérôme Pagès Agrocampus Rennes Laboratoire de mathématiques appliquées CS 425 3542 Rennes cedex Résumé Pour comparer deux nuages de points

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

LIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés

LIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /

Plus en détail

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Résumé de PFE PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Introduction Dans le domaine de la robotique, la robotique

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

A. Déterminant d une matrice carrée

A. Déterminant d une matrice carrée IUT ORSAY Mesures Physiques Déterminants Initiation à la diagonalisation de matrice Cours du ème Semestre A Déterminant d une matrice carrée A-I Définitions élémentaires Si A est la matrice ( a ) on appelle

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Finance des matières premières (6b) De la formation des prix sur les marchés financiers à la possibilité d un équilibre (non walrasien)

Finance des matières premières (6b) De la formation des prix sur les marchés financiers à la possibilité d un équilibre (non walrasien) Finance des matières premières (6b) De la formation des prix sur les marchés financiers à la possibilité d un équilibre (non walrasien) Alain Bretto & Joël Priolon - 25 mars 2013 Question Dans un équilibre

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

2 players Ages 8+ Note: Please keep these instructions for future reference. WARNING. CHOKING HAZARD. Small parts. Not for children under 3 years.

2 players Ages 8+ Note: Please keep these instructions for future reference. WARNING. CHOKING HAZARD. Small parts. Not for children under 3 years. Linja Game Rules 2 players Ages 8+ Published under license from FoxMind Games NV, by: FoxMind Games BV Stadhouderskade 125hs Amsterdam, The Netherlands Distribution in North America: FoxMind USA 2710 Thomes

Plus en détail

NOTES DE COURS (SUPPLÉMENTAIRES) POUR LE COURS MATHÉMATIQUES DISCRÈTES MAT1500. References

NOTES DE COURS (SUPPLÉMENTAIRES) POUR LE COURS MATHÉMATIQUES DISCRÈTES MAT1500. References NOTES DE COURS (SUPPLÉMENTAIRES) POUR LE COURS MATHÉMATIQUES DISCRÈTES MAT1500 ABRAHAM BROER References [R] Kenneth H. Rosen, Mathématiques discrètes, Édition révisée Chenelière McGraw-Hill, 2002. 1. But

Plus en détail

Leçon N 4 : Statistiques à deux variables

Leçon N 4 : Statistiques à deux variables Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples, Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique

Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Mémoire Maxime Latulippe Maîtrise en informatique Maître ès sciences (M.Sc.) Québec, Canada Maxime

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Examen Gestion d Actifs

Examen Gestion d Actifs ESILV 2012 D. Herlemont Gestion d actifs Examen Gestion d Actifs 2 pt 1. On considère un portefeuille investi dans n actifs risqués, normalement distribués d espérance en excès du taux sans risque µ =

Plus en détail

La régression linéaire et ses conditions d application

La régression linéaire et ses conditions d application Nº 752 BULLETIN DE L UNION DES PHYSICIENS 353 La régression linéaire et ses conditions d application par R. JOURNEAUX GHDSO/LIREST Université Paris XI, 91400 Orsay Dans un article récent publié dans le

Plus en détail

Paire Amplitude de l onde 1 Amplitude de l onde 2 Différence de phase A 3 mm 6 mm π rad B 5 mm 1 mm 0 rad C 9 mm 7 mm π rad D 2 mm 2 mm 0 rad

Paire Amplitude de l onde 1 Amplitude de l onde 2 Différence de phase A 3 mm 6 mm π rad B 5 mm 1 mm 0 rad C 9 mm 7 mm π rad D 2 mm 2 mm 0 rad 1. Laquelle des affirmations suivantes est fausse? A) Pas toutes les ondes ne sont des ondes mécaniques. B) Une onde longitudinale est une onde où les particules se déplacent de l avant à l arrière dans

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Exemple PLS avec SAS

Exemple PLS avec SAS Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that

Plus en détail

EXEMPLES DE MODÉLISATION DE PROCESSUS

EXEMPLES DE MODÉLISATION DE PROCESSUS Première partie : chapitre 4. 1 Chapitre 4 EXEMPLES DE MODÉLISATION DE PROCESSUS INTRODUCTION. Dans les chapitres 2 et 3, nous avons décrit les principes de la modélisation de processus par réseaux de

Plus en détail

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes CNES Paris - 22/05/2003 Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes Michel DHOME LASMEA UMR 6602CNRS/UBP Clermont-Ferrand Etat de l art (communauté vision artificielle)

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Introduction à la physique du laser. 1ère partie : les caractéristiques des faisceaux gaussiens.

Introduction à la physique du laser. 1ère partie : les caractéristiques des faisceaux gaussiens. Introduction à la physique du laser. 1ère partie : les caractéristiques des faisceaux gaussiens. Objectifs Connaître les caractéristiques de la structure gaussienne d un faisceau laser (waist, longueur

Plus en détail

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances ARITHMETIQUE 1 C B A Numération Ecrire en lettres et en chiffres Poser des questions fermées autour d un document simple (message, consigne, planning ) Connaître le système décimal Déterminer la position

Plus en détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

2 Etalonnage et mesure d un paramètre physique de la cible

2 Etalonnage et mesure d un paramètre physique de la cible SCIENSORIA NOTE D APPLICATIONS 9105 1 Introduction ETALONNAGE ET MESURE SANS CONTACT PAR CAPTEUR A COURANTS DE FOUCAULT AVEC LE SYSTEME Z-SCOPE V5 + WINEC V5.1 L appareil Z-Scope V5 est un appareil d analyse

Plus en détail

Analyse Statistique pour Le Traitement d Enquêtes

Analyse Statistique pour Le Traitement d Enquêtes DAT 104, année 2004-2005 p. 1/90 Analyse Statistique pour Le Traitement d Enquêtes Mastère Développement Agricole Tropical Stéphanie Laffont & Vivien ROSSI UMR ENSAM-INRA Analyse des systèmes et Biométrie

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN

Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques

Plus en détail

appliqués à la la bonneréponse à la et des systèmes de navigation Données3D GEO-référencées demande croissante de d information géographique

appliqués à la la bonneréponse à la et des systèmes de navigation Données3D GEO-référencées demande croissante de d information géographique la bonneréponse à la demande croissante de Données3D GEO-référencées 4Systèmes d information géographique appliqués à la gestion des infrastructures routières et des systèmes de navigation Le road-scanner

Plus en détail

Fondements de Finance

Fondements de Finance Programme Grande Ecole Fondements de Finance Chapitre 7. : Risque, rentabilité et diversification Cours proposé par Fahmi Ben Abdelkader Version Etudiants Mars 2012 Préambule Fig. 10.1 (p.294) : Evolution

Plus en détail

Algorithmes de descente par blocs pour l apprentissage creux

Algorithmes de descente par blocs pour l apprentissage creux Algorithmes de descente par blocs pour l apprentissage creux Mehdi Meghzifene 11//211 1 Table des matières 1 Introduction 3 1.1 Principe......................................... 3 2 Résolution 4 2.1 Minimisation

Plus en détail

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007 ÉCOLE NATIONALE DE L AVIATION CIVILE Session 27 CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS DU CONTRÔLE DE LA NAVIGATION AÉRIENNE Épreuve commune obligatoire de MATHÉMATIQUES Durée : 4 Heures Coefficient

Plus en détail

Les clients puissance cube

Les clients puissance cube LETTRE CONVERGENCE Les clients puissance cube L intelligence artificielle au service du marketing des services N 28 To get there. Together. A PROPOS DE BEARINGPOINT BearingPoint est un cabinet de conseil

Plus en détail

Simulation de réseaux radio sous OPNET Modeler

Simulation de réseaux radio sous OPNET Modeler Simulation de réseaux radio sous OPNET Modeler ARC IRAMUS 19 Mai 2005 Fabrice Valois fabrice.valois@insa-lyon.fr Agenda Un peu de rappel sur la simulation Échéancier à temps discret Intervalles de confiance

Plus en détail

Opérations de base sur ImageJ

Opérations de base sur ImageJ Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement

Plus en détail

Calcul Scientifique L2 Maths Notes de Cours

Calcul Scientifique L2 Maths Notes de Cours Calcul Scientifique L2 Maths Notes de Cours Le but de ce cours est d aborder le Calcul Scientifique, discipline arrivant en bout d une d une chaîne regroupant divers concepts tels que la modélisation et

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Clustering par quantification en présence de censure

Clustering par quantification en présence de censure Clustering par quantification en présence de censure Svetlana Gribkova 1 Laboratoire de Statistique Théorique et Appliquée, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75005 Paris Résumé.

Plus en détail

Calibration de systèmes de levé mobiles

Calibration de systèmes de levé mobiles 1/30 Calibration de systèmes de levé mobiles S. Levilly, N. Seube ENSTA Bretagne Brest, FRANCE et CIDCO Rimouski Qc, CANADA Journées AFHy, Juin 2014 Les systèmes mobiles Ils sont généralement constitués

Plus en détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

OPTIQUE GEOMETRIQUE II.- THEORIE. Définition : L indice de réfraction n caractérise le milieu dans lequel se propage la lumière.

OPTIQUE GEOMETRIQUE II.- THEORIE. Définition : L indice de réfraction n caractérise le milieu dans lequel se propage la lumière. 31 O1 OPTIQUE GEOMETRIQUE I.- INTRODUCTION L optique est une partie de la physique qui étudie la propagation de la lumière. La lumière visible est une onde électromagnétique (EM) dans le domaine de longueur

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail